高精度的空间-POW-STDP学习块的数字设计,使用POW CORDIC进行大规模图像分类器空间-时间SNN的数字设计

科学领域:

• 人工智能的人工智能
• 计算神经科学是一种神经科学.
• 硬件加速器 硬件加速器

背景情况:

• 尖端神经网络 (SNN) 对于认知机器的节能计算至关重要.
• 提高SNN的准确性和效率是一个关键的挑战.
• 生物启发的学习规则对于SNN发展至关重要.

研究的目的:

• 为SNN引入一个新的空间功率尖峰时间依赖可塑性 (Spatial-Pow-STDP) 学习规则.
• 为SNN计算开发准确和高效的数字硬件实现.
• 提高SNN在图像分类任务中的性能.

主要方法:

• 使用坐标旋转数字计算机 (CORDIC) 算法开发了一个空间-Pow-STDP学习规则.
• 实现了基于CORDIC的数字块,用于指数函数,自然对数函数和任意功率函数.
• 整合了空间-Pow-STDP块到一个三层的时空SNN,用于无监督训练.

主要成果:

• 科迪克算法以低平均误差 (接近10^-9到10^-5) 实现了高精度.
• 空间-Pow-STDP学习块展示了高效和准确的硬件计算 (6.93 × 10^-3平均误差).
• 在基准数据集 (MNIST,EMNIST,CIFAR10) 上,SNN模型实现了卓越的准确性 (高达97.5%) 和融合速度.

结论:

• 拟议的 Spatial-Pow-STDP 学习规则和基于 CORDIC 的硬件加速了 SNN 的计算.
• 该方法允许对大型SNNs进行准确和高效的无监督培训.
• 这种方法显著推进了用于认知机器和AI应用的节能计算.